企业官网建设流程全解析

简介：一份围绕皮肤烧伤检测的深度学习实战项目，基于卷积神经网络自动识别烧伤范围、深度与愈合阶段，利用深度学习提升烧伤诊断的准确性与效率，主要面向医疗AI研究者、算法工程师与计算机视觉学习者，既适合算法验证，也便于二次开发。压缩包共有168个文件，以43个Python脚本、38个YAML配置、16个Jupyter Notebook及多格式图片、CSV记录文件为主，其中py为训练与推理工具、yaml用于模型参数配置、ipynb保留实验分析过程，另有Dockerfile、Shell脚本辅助环境部署，覆盖数据预处理、模型搭建、训练调参、日志输出与结果可视化等完整环节，整体大小仅41.69MB，目录组织清晰，可直接进入训练流程。目前已有105人学习下载，资源额外配套了从数据收集、预处理、模型设计、训练测试到部署验证的流程教程，帮助初学者理解烧伤识别任务中CNN如何提取关键特征，也可基于源码快速复现实验结果，或迁移到其他医学图像分类场景。整体是一套端到端的优质实战案例，能提供可复用框架与系统化工程思路。

1. 皮肤烧伤检测为什么选深度学习：先把“测什么”和“能测准多少”对齐

“皮肤烧伤检测”这个标题拆到底，其实是一件事：让深度学习算法在创面图片上给出烧伤深度分级，而不是做“有伤/无伤”的二分类。医生在处理早期烧伤时，最吃不准的就是浅Ⅱ度还是深Ⅱ度，这直接决定保守换药还是手术切痂，而肉眼判断本来就有明显的主观性。正因为这个痛点，“基于深度学习的烧伤检测”才成为医疗 AI 项目里既现实又有动手空间的课题。适合谁看？想用一份带源码和流程教程的项目入门医学图像分类的开发者，或者手里只有几百张标注图、想在本地跑通训练和验证的工程人员。下文按我复现这类项目的习惯拆开讲：任务定义、数据集组织、训练参数，再讲四个复现时最常见的坑。

2. 复现这套皮肤烧伤检测项目：任务拆分、数据集来源与最小依赖环境

2.1 烧伤检测不等于一块模型：分类做分级，分割做定位

拿到“基于深度学习实现的皮肤烧伤检测算法”这类项目时，先别急着解压训练，得确定你要交付的是“整张图的烧伤等级”还是“图上哪一块是几度烧伤”。这两个问题对应的模型完全不同。

常见做法是先把任务分成两类。第一类是分类：输入一张裁剪好的创面局部图，输出四个类别——I 度、浅Ⅱ度、深Ⅱ度、Ⅲ度。这类模型实现简单，一个 ResNet 加一个分类头就能跑，训练脚本干净，验证时看混淆矩阵也直观。第二类是分割：逐像素输出每个位置的烧伤深度，适合面积大、同时存在多种深度的创面，术前规划更需要这种，但标注成本高，模型出来也重。

我的建议是：如果这个 zip 里的流程教程只给了 train.py 和 infer.py，默认它大概率是分类任务。先按分类把它跑通，得到 baseline 之后再考虑给模型加分割分支。烧伤创面往往混合了红、白、黄灰和焦痂，分类模型对这个信号的抓取比想象中更直接，而分割网络在小数据集上反而容易学到错误的边界。源码项目复现的第一步，不是追求“模型高级”，而是把任务边界先立住。

2.2 数据怎么攒成标准结构：目录划分与标签映射

复现时最容易卡住的是数据。烧伤图像不像 ImageNet 一条命令就能下，来源一般三块：公开医学图像库、医院脱敏数据、从公开竞赛和教科书资料中人工整理。量通常不大，几百到两三千张都算正常。你手里的 zip 里如果带了数据，优先看它的目录结构；如果没带，自己得先按下面的方式搭一份。

data/ train/ superficial/ # 浅Ⅱ度 deep/ # 深Ⅱ度 full/ # Ⅲ度 / 全层 val/ test/

这种按类别分文件夹的结构，配合 torchvision 的ImageFolder直接能读，是“源码+流程教程”类项目最常见的格式。我一般会在数据目录里再放一个label_map.json，把文件夹名映射到整数，避免训练时类别顺序被 filesystem 顺序搞乱：

{ "first_degree": 0, "superficial": 1, "deep": 2, "full": 3 }

划分数据集时有一个关键原则：按病人划分，而不是按图片划分。同一患者的多张创面照片高度相似，如果同一患者照片同时出现在 train 和 val，验证集分数会被数据泄漏虚高，等部署到新病人身上就直接“翻车”。我经历过一次看起来 val acc 95%、换新数据掉到 60% 的情况，后来反复查才发现是划分时没按patient_id做 group split。这是烧伤检测这类小样本医学项目最典型的坑。

2.3 环境固定：用尽量少的依赖先把训练脚本跑起来

不要一上来就装一堆深度学习全家桶。复现源码项目的核心是先让入口脚本能跑，依赖越少越好排查。我通常会先把 requirements 钉成下面这几行：

torch>=2.0.0 torchvision>=0.15.0 opencv-python>=4.5.0 tqdm scikit-learn pandas

然后新建虚拟环境安装：

python -m venv .venv source .venv/bin/activate pip install -r requirements.txt

逻辑说明：torch 和 torchvision 必须保持主版本对应，否则加载预训练权重时容易报size mismatch或直接ImportError。opencv 用于读图和导出，scikit-learn 用来算混淆矩阵和分类报告，这几样够覆盖整个流程。如果你机器没有 GPU，pip 会自动装 CPU 版还是 CUDA 版取决于 PyTorch 官方给出的安装命令，这一步在第五章会展开；这里只要保证 import 不出错就行。

还有一条血泪经验：解压路径不要带中文和空格。很多 zip 里的脚本用的是相对路径，路径里一旦出现非 ASCII 字符，opencv 读图和 torch 保存权重都可能直接报错。这种错误表面上看是环境问题，实际上改一个文件夹名字就好了。

3. 把训练脚本改造成能收敛的闭环：从过拟合单batch到参数稳定区

3.1 第一口饭：过拟合四十张图，先让代码“能学”

拿到源码后的第一个动作不是完整训练，而是先在几十张图上把 loss 打下来。这一步的目的很简单：确认数据加载、模型前向、损失计算、梯度回传这条链路是通的，而不是花两小时跑完一个 epoch 才发现 loss 压根没动。

# 固定取一个 batch，看模型能不能记住它 sample_images, sample_labels = next(iter(train_loader)) model.train() for step in range(200): logits = model(sample_images.to(device)) loss = criterion(logits, sample_labels.to(device)) optimizer.zero_grad() loss.backward() optimizer.step() if step % 20 == 0: print(f"step {step:3d} | loss {loss.item():.4f}")

这个脚本里只用一个 batch，比如 16 张图，跑 200 步。如果代码没问题，loss 应当在前几十步内明显下降，最后能逼近 0.1 以下。如果 loss 降不下去，先查三件事：标签是否传错、模型参数是否被requires_grad=False钉死、数据读取后像素值是否异常。这一步是动手深度学习里最廉价的“体检”，比看任何教程都管用。

3.2 模型结构选型：预训练 ResNet 替换分类头

烧伤图像在 ImageNet 里几乎不存在，但预训练权重依然值得用。原因在于，烧伤深度判级依赖创面的颜色纹理和表皮结构特征，而这些低级视觉特征——边缘、颜色渐变、组织块状纹理——和 ImageNet 上学到的通用表征是共享的。直接用随机初始化在小数据集上从零训，基本会被 sample size 打回原形。

import torchvision from torch import nn model = torchvision.models.resnet50( weights=torchvision.models.ResNet50_Weights.IMAGENET1K_V1 ) model.fc = nn.Linear(model.fc.in_features, num_classes=4)

替换掉最后的fc是因为原来的输出是 1000 类，我们的分类数是 4。in_features从model.fc.in_features拿，不要手写 2048，这样以后换 resnet18 时不用改第二行。选定这个结构之后，我建议先全冻结骨干只训练分类头，跑几个 epoch 看到 val 能到基线后，再解冻最后一段进行微调。常见的误用是一上来就全参数requires_grad=True加上大学习率，后面 4.2 会专门说这个。

3.3 三个开箱参数：图像尺寸、学习率与早停

训练参数直接决定你这个源码项目能跑出多少分。下面这组是烧伤分类项目比较省事的起点，我复现同类项目时基本沿用这个底座，再按数据量微调：

训练循环里最关键的是“按 val loss 存模型，而不是按 val acc”。

best_val_loss = float("inf") no_improve_epochs = 0 for epoch in range(max_epochs): train_loss = train_one_epoch(model, train_loader, optimizer, criterion) val_loss = evaluate(model, val_loader, criterion) if val_loss < best_val_loss: best_val_loss = val_loss no_improve_epochs = 0 torch.save(model.state_dict(), "best.pt") else: no_improve_epochs += 1 if no_improve_epochs >= 5: print(f"early stop at epoch {epoch}") break

逻辑说明：evaluate只返回 val loss 不返回 acc，是故意的。烧伤数据类别不均衡，准确率在“全猜浅Ⅱ度”时也能到 70% 以上，用它判断是否保留模型会把最需要关注的深Ⅱ度和Ⅲ度样本带偏。val loss 不降反升持续 5 个 epoch，就加载历史最优权重，这是最常见也最有效的早停方案。

3.4 多任务和分割分支：先别贪

有些“优质项目实战”会附一套 U-Net 风格的分割分支，同时输出分类和像素级掩膜。做法通常是在 ResNet 骨干后并行接一个解码器，总 loss 设为0.8 * DiceLoss + 0.2 * CrossEntropyLoss。原理上合理，但第一次复现时我不建议开双头训练。原因很实际：两个任务的收敛速度不同，尤其在几十个 epoch 内，联合训练很容易出现分类没学好、分割也没学好的两头空局面。

4. 烧伤检测复现避坑：四个高频问题和排查线索

4.1 类不均衡伪装成高准确率

现象：训练集和验证集准确率都到了 90% 以上，看起来“项目跑通了”，但一打印分类报告，深Ⅱ度和Ⅲ度的 recall 只有 20%。原因：烧伤样本里浅Ⅱ度占大头，深Ⅱ度和全层烧伤样本少，模型偏向学大类的统计规律。解决方法：先看混淆矩阵，再给损失函数加权。

from sklearn.metrics import classification_report, confusion_matrix y_true, y_pred = [], [] for images, labels in val_loader: logits = model(images.to(device)) y_pred.extend(logits.argmax(1).cpu().tolist()) y_true.extend(labels.tolist()) print(classification_report(y_true, y_pred, digits=3))

加权方法是给CrossEntropyLoss传weight，权重按“类别样本数的倒数”做平滑：

import torch # 手动给一个类的权重，顺序与 label_map 一致 class_weights = torch.tensor([1.0, 1.5, 3.0, 8.0]) criterion = torch.nn.CrossEntropyLoss(weight=class_weights)

权重大小不是越大越好。我试过按严格样本数反比把全层烧伤权重拉到 20 倍，结果模型反而把大量浅Ⅱ度误判成Ⅲ度。一般先给 2～4 倍梯度，观察 confusion matrix 里低频类的 recall 是否抬升，再逐步加大。医学判级场景里，模型宁可过度倾向严重类别，也不该把深Ⅱ度漏成浅Ⅱ度。

4.2 迁移学习反而掉点：预训练特征被大学习率打散

现象：训练脚本如果直接全量微调，学习率设成标准的 1e-3，loss 第一个 epoch 就震荡，val loss 远高于随机初始化。原因：ImageNet 预训练的骨干特征已经被训练得很好，新换上的分类头是随机权重。梯度刚开始主要来自随机头，大学习率回传到骨干，把预训练学到的纹理和颜色过滤器毁得七七八八。

解决分两步。第一步，分类头单独训几个 epoch；第二步，解冻骨干，把学习率降到 1e-5 左右继续微调。

# 第一阶段：只训练分类头 for name, param in model.named_parameters(): param.requires_grad = name.startswith("fc") optimizer = torch.optim.AdamW( filter(lambda p: p.requires_grad, model.parameters()), lr=3e-4, weight_decay=0.01 ) # 第二阶段：解冻全部骨干 for param in model.parameters(): param.requires_grad = True optimizer = torch.optim.AdamW( model.parameters(), lr=1e-5, weight_decay=0.01 )

这套“先头后干”的顺序基本适用于所有医疗图像小数据集的迁移学习场景。如果你发现某个“源码包”里直接写了lr=1e-3且没有任何冻结逻辑，大概率作者只在小规模 demo 上跑通，并没有仔细考虑过泛化。

4.3 颜色增广把烧伤判据“洗掉”

现象：训练时加入了RandomBrightnessContrast、RandomSaturation，甚至随机色调偏移，然后发现验证集崩溃。原因：烧伤深度分级的核心判据就是创面颜色——红色区域多为浅Ⅱ度，苍白或蜡白是深Ⅱ度，焦黑坏死则是Ⅲ度。一旦颜色增广过猛，模型只能退而寻找纹理和形状信息，而这些信号在真实照片里稳定性远不如颜色。

我一般把颜色增广限制在极窄范围：

from torchvision import transforms as T train_transform = T.Compose([ T.RandomResizedCrop(224, scale=(0.8, 1.0)), T.RandomHorizontalFlip(), T.ColorJitter(brightness=0.1, contrast=0.1, saturation=0, hue=0), T.ToTensor(), T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ])

饱和度和色调直接设为 0，亮度对比度各只给 0.1，这个幅度足够应付拍摄环境差异，又不会把“红”变成“白”。如果项目自带的增广里有RandomGrayscale，建议直接删掉，灰度图对烧伤判级基本没有可用信息。

4.4 zip 源码跑不通的“三件套”排查

现象：解压后运行python train.py，报错要么是ModuleNotFoundError，要么是加载预训练权重时size mismatch。原因大概是三类：requirements 没装全但不报依赖错、预训练权重文件缺失或路径不对、Python 版本与 torch 安装版本错位。

排查顺序固定成“三件套”。先看入口文件最前面的 import，凡是第三方库先 pip 补上；再找模型加载那一段，如果代码写了torch.load("weights/resnet50.pth")而项目目录里没有这个文件，那这就是第一问题；最后用一个短命令确认 torch 和 torchvision 能同时导入：

python -c "import torch, torchvision; print(torch.__version__, torchvision.__version__)"

如果还出现size mismatch，多半是加载的权重来自另一种模型架构，比如代码期望 ResNet50 你却在 torchvision 里取了 ResNet101。不要试图硬改state_dict，把加载方式改成 torchvision 自带的weights=...IMAGENET1K_V1最省事。

5. 没有GPU怎么办：用CPU把烧伤检测源码跑出有效结果

5.1 思路转变：别用“训练”的思路，用“特征再利用”

很多人的困惑是手里只有一台普通笔记本，CPU 上跑 ResNet50 全量微调，一个 epoch 几十分钟，看起来完全做不下去。解决办法不是去买 GPU，而是把任务降维成“线性探测”（linear probe）：用预训练模型把图像转成特征向量，然后用一个线性层做分类。

这么做的道理在于，烧伤分级数据量本来就少，模型真正需要学习的是一个“如何在预训练特征空间里划界”的浅层问题，没必要重新训练卷积核。CPU 上跑 ResNet 推理一张 224 的图确实要时间，但如果只提取一次特征保存到内存，成本是一次性的。这比硬上剪枝算法实在得多——剪枝算法是同一模型反复迭代时用的加速手段，第一次复现动剪枝很容易把精度压垮。

5.2 一个能下班的 CPU 训练脚本

import torch import torchvision from torch import nn # 主干提取特征，但不做分类 base = torchvision.models.resnet18( weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1 ) base.fc = nn.Identity() # 去掉分类头，输出变成 512 维特征 for param in base.parameters(): param.requires_grad = False head = nn.Linear(512, 4)

这个base一旦加载完毕，训练阶段它完全处于“数据搬运”状态，不参与梯度计算。整个模型的待训练参数只有head的权重和偏置，也就 2048 个参数，CPU 上跑十来个 epoch 几分钟就能完成。配合前面的数据集划分，效果虽然不如全量微调，但对几百张图的烧伤分类项目已经够用。

# 把特征放进线性头里训练 features = base(images) # [batch, 512] logits = head(features) # [batch, 4] loss = criterion(logits, labels)

如果嫌 ResNet18 还慢，可以把输入尺寸从 224 降到 160，ResNet18 的瓶颈在最后几个 stage，降分辨率带来的速度收益远大于精度损失。160 尺寸配合随机裁剪缩放，基本不影响读色块。

5.3 CPU 推理出口：导出 ONNX 做轻量验证

训练完成后，建议导出 ONNX。这样可以在不依赖 torch 的 Python 进程里做推理，也方便你把它接到 Web 端或手机端做后续项目演示。

model.eval() dummy = torch.randn(1, 3, 160, 160) torch.onnx.export( model, (dummy,), "burn_classifier.onnx", input_names=["image"], output_names=["logits"], opset_version=12 )

导出后可以用 onnxruntime 加载，输入直接传 NCHW 的 float32 张量，不需要再引入 torch。逻辑说明：这个藏在“最后一章”的操作往往是整个源码项目最容易被忽略的部分，但实际部署价值很高，因为医生端目标机器通常没有 GPU，ONNX 推理一次只需一次前向。

6. 把“大概率对”变成“可交付”：验证模型与不确定性设计

模型在验证集上跑出 85% 准确率，不等于可以直接交给医生。烧伤检测的代价是非对称的，漏掉一个深Ⅱ度比多报一个浅Ⅱ度危险得多。所以我最后都会再加一道不确定性过滤：当模型对某个样本的预测概率低于阈值时，输出“无法判断”。这个设计在医疗场景中叫“拒判”，比硬着头皮猜一个结果更安全。

probs = torch.softmax(logits, dim=1) conf, pred = torch.max(probs, dim=1) # 低于 0.7 直接交给人工复核 if conf.item() < 0.7: pred = -1

这个技巧对深Ⅱ度和Ⅲ度的边界尤其有用，因为这两类的视觉相似度天然高，强行细分不如主动承认不确定。阈值 0.7 是我常用起点，你可以画一条“阈值—准确率”曲线来决定：让漏诊率足够低时，保留多少样本给人工。

我现在的习惯是，接触任何一份皮肤烧伤检测源码，到手第一件事不是看模型结构，而是跑两个 20 行以内的脚本：一个确认过拟合单个 batch，另一个打印验证集的 confusion matrix。两个都不超过十分钟，但能挡掉后面大半的无效调试。这个顺序帮我躲过不止一次返工，希望你也能在复现这个项目时少走一段弯路，希望帮到你。

本文还有配套的精品资源，点击获取